i) Sítios de amostragem
80 sítios de amostragem; amostragem de indivíduos arbóreos com DBH >= 5cm em bloco único; coordenada central do sítio de amostragem
ii) Predições
Modelo Neutro Espacialmente Explícito (EE)
Para cada combinação de parâmetros U e d, a respectiva matriz de paisagem e o modelo descrito por Rosindell et al. (2008) geramos 100 SADs réplicas
Modelo Neutro Espacialmente Implícito (EI)
Para cada combinação de parâmetros \(\theta\) e I e a formula de amostragem desenvolvida por Etienne (2005) geramos 100 SADs réplicas
iii) Comparação com o observado
Cada SAD réplica foi comparada com a respectiva SAD observada no teste de Kolmogorov-Smirnov (KS). O teste KS é um teste estatístico não paramétrico da hipótese nula de que dois vetores de abundância são amostras de uma mesma distribuição teórica. Contabilizamos o número de SADs réplicas em que não foi possível refutar a hipótese nula com alfa crítico de 0.05 na variável (GOF).
Dado matriz de paisagem e riqueza observada (S) no respectivo Site, estimamos um valor médio de taxa de especiação (U) para cada nível de k. Para está estimativa utilizamos um método semi-analítico derivado do modelo neutro de espaço explícito descrito em Rosindell et al. 2008 e estimamos 20 réplicas para cada cenário neutro.
i) Parâmetros de dispersão
Desenvolvemos uma equação que relaciona d com a probabilidade de uma unidade de habitat ser colonizada pela prole de um indivíduo de fora da comunidade local (m) e então calculamos I o número de imigrantes que competem com os indivíduos locais pelas unidades de habitat disponível (Etienne 2005).
Para calcular m a partir do desvio padrão (sd) da função de dispersão, assumimos que as áreas de amostragem são quadradas e distribuição de Laplace:
\[m = sd \frac{1 - e^{-\frac{\sqrt{2} L}{sd}} }{\sqrt{2} L}\]
Onde L = lado da área amostrada. Para corrigir essa equação para paisagens não homogêneas (fragmentadas) utilizamos uma correção de valor:
\[m' = \frac{mp}{1 - (1-p)m} \]
Para criar as predições do modelo EI utilizamos a formula de amostragem de Etienne (2005) que utiliza o parâmetro I ao invés de m. I se relaciona com m por:
\[ I = m (J - 1) / (1 - m)\]
ii) Parâmetros de Diversidade
Para cada U calculamos o respectivo theta por:
\[ \theta = U (J_M - 1) / (1 - U) \] Onde \(J_M\) é o número de indivíduos na paisagem e é igual ao produto da área do recorte de paisagem em hectares( 500), DA e porcentagem de unidade de habitat na paisagem (p)
Perguntas: Quais as situações biológicas que estamos simulando? Em relação às médias de síndromes de dispersão em floresta intacta? E em floresta fragmentada?
Figura 1 Distância média de dispersão, k (proporção de propágulos até l_cel metros da planta progenitora) e DA (densidade observada)
## dAICc df
## k+DA 0.0 15
## k 123.6 14
## DA 19032.9 4
## 1 19132.3 3
Figura 2 Distância média de dispersão (d) e o predito segundo d ~ DA.z + k + (1 | Sítio), family=Gamma(log). Os pontos são as distâncias médias estimados para o determinado percentil (k) de propágulos que permanecem até l_cel metros da planta progenitora; em vermelho o predito.
## par.class par.VE par.value
## DA.z beta DA.z 0.8651770
## (Intercept) alfa k=0.99 0.4800254
## k0.95 alfa k=0.95 2.9486305
## k0.9 alfa k=0.9 3.6146252
## k0.85 alfa k=0.85 4.1794911
## k0.8 alfa k=0.8 4.7222410
## k0.75 alfa k=0.75 5.2578802
## k0.7 alfa k=0.7 5.8093999
## k0.65 alfa k=0.65 6.3961099
## k0.6 alfa k=0.6 7.0234188
## k0.55 alfa k=0.55 7.7180471
## k0.5 alfa k=0.5 8.4854431
## k0.25 alfa k=0.25 14.8749015
Análise da variável quase completa. Problemas de convergência não permitiram estimar os intervalos de confiança das estimativas e nem o R^2 do modelo mais plausível.
Questões Qual seria k dado d, ou seja, extrapolar a relação para poder inferir qual seria k para determinadas médias de síndrome de dispersão sem precisar simular as funções de dispersão.
Utilizando a equação matemática estimada seria necessário utilizar k enquanto variável contínua.
Perguntas: Quais são as estimativas do parâmetro de dispersão de EI obtido em campos? Quais são os valores que simulamos?
Figura 1 Gráficos Exploratórios de I, k e J (número de indivíduos amostrado)
Não iniciei a análise da variável.
Figura 1 Taxa de especiação, k, p e S
Figura 2.1 U ~ k * p
Figura 2.2 U ~ k * S
Figura 2.3 U ~ k * p + S
Figura 2.4 U, J e J/J_M em escala padrão e log
-Parece que há um efeito de log(J), contudo, há correlação entre as variáveis empíricas p, S e J:
Figura 2.5 Relação entre co-variáveis empíricas S, J e p
Figura 3.1 U ~ k * p_class (group=Site)
Figura 3.2 U ~ k * S_class (group=Site)
Tabela de Seleção de Variáveis para descrever logito de U
## dAICc df weight
## p * k + S 0.0 27 1
## p * k 34.1 26 <0.001
## p + k + S 520.0 16 <0.001
## k + S 524.3 15 <0.001
## k 551.3 14 <0.001
## p + k 554.1 15 <0.001
## p + S 976.8 5 <0.001
## S 981.1 4 <0.001
## 1 1008.1 3 <0.001
## p 1010.9 4 <0.001
R2 marginal e condicional da seleção de modelos
## p * k + S p + k + S p + S k + S S p * k p + k
## R2m 0.4085237 0.3955838 0.3798639 0.3281880 0.3123633 0.05639136 0.0434292
## R2c 0.9659666 0.9525370 0.9362971 0.9522779 0.9359492 0.96602350 0.9526163
## p k 1
## R2m 0.02763708 0.0159788 0.0000000
## R2c 0.93640354 0.9520796 0.9356831
Porcentagem da variância explicada pelos efeitos fixos
## p * k + S p + k + S p + S k + S S p * k
## 0.42291700 0.41529497 0.40570880 0.34463469 0.33373955 0.05837473
## p + k p k 1
## 0.04558940 0.02951407 0.01678305 0.00000000
Figura 1 Logito de U pela porcentagem de cobertura vegetal. A linha é a estimativa da tendência, a região cinza mais escuro corresponde ao intervalo de confiança dos efeitos fixos e a região cinza mais clara o intervalo de confiança considerando todo o modelo.
Falta atualizar o método de obtenção do R2m e R2c e recuperar/revisar o texto da dissertação dessa sessão
Questões
Figura 1.1 Theta e possíveis variáveis variáveis de intresse
Figura 1.2.1 theta ~ p * k
Figura 1.2.2 theta ~ S * k
Figura 1.2.3 theta ~ log(J/JM) * k
Figura 1 GOF e variáveis de interesse p, k ,MN
Figura 2.1 GOF ~ p * k
Figura 2.2 GOF ~ p * MN
Figura 2.3 GOF ~ MN * K
Figura 2.4 GOF ~ p * k * MN
## dAICc df weight
## p * K 0.0 7 0.774
## p + K 4.1 6 0.098
## K 4.6 5 0.078
## p 6.7 5 0.027
## 1 7.0 4 0.024
R2 marginal e condicional
## p * K p + K K p 1
## R2m 0.0111603 0.01255988 0.004868334 0.007200683 0.0000000
## R2c 0.6462905 0.65161123 0.646179154 0.649559816 0.6444101
Porcentagem explicada pelos efeitos fixos
## p * K p + K K p 1
## 1.727 1.928 0.753 1.109 0.000